EKSPLORASI TOPIK PERCAKAPAN KOMUNITAS LARAVEL DI TELEGRAM MENGGUNAKAN METODE LATENT DIRICHLET ALLOCATION (LDA)

Authors

  • Jihadul Akbar STMIK Lombok
  • Asyim Ashary STMIK Lombok
  • Mamun Saleh STMIK Lombok

DOI:

https://doi.org/10.31849/2f6w0m30

Keywords:

Komunitas Daring, LAD, Laravel, Telegram, Topic Modeling

Abstract

Komunitas daring, khususnya grup Telegram, telah menjadi ruang diskusi aktif bagi pengembang perangkat lunak dalam berbagi pengetahuan dan menyelesaikan masalah teknis. Salah satu komunitas terbesar adalah Laravel Indonesia dengan lebih dari 19.000 anggota. Penelitian ini bertujuan untuk mengeksplorasi topik percakapan dalam komunitas tersebut menggunakan metode Latent Dirichlet Allocation (LDA). Data dikumpulkan dari percakapan grup Telegram Laravel Indonesia sejak Januari 2018 hingga Agustus 2025 dengan total 618.160 pesan. Setelah melalui tahapan preprocessing (pembersihan data, normalisasi, stemming, tokenisasi, dan stopword removal), sebanyak 396.711 pesan dianalisis menggunakan LDA. Hasil evaluasi coherence score menunjukkan bahwa jumlah topik optimal adalah empat, yakni: (1) manajemen akses dan deployment aplikasi, (2) interaksi sosial serta kebutuhan informasi, (3) pengelolaan dan penyajian data, serta (4) penggunaan Laravel sebagai framework inti. Temuan ini memperlihatkan bahwa komunitas Laravel di Telegram berfungsi tidak hanya sebagai forum teknis, tetapi juga sebagai sarana kolaborasi dan pembelajaran bersama. Penelitian ini memberikan kontribusi terhadap pemahaman dinamika diskusi komunitas pengembang daring, serta membuka peluang pengembangan penelitian lanjutan menggunakan metode topic modeling lainnya maupun integrasi dengan analisis sentimen.

References

[1] “Octoverse: AI leads Python to top language as the number of global developers surges - The GitHub Blog.” Accessed: Apr. 23, 2025. [Online]. Available: https://github.blog/news-insights/octoverse/octoverse-2024/

[2] Z. N. Muna, “Penerapan Pemodelan Topik Komentar Melalui Media Sosial Twitter Menggunakan Latent Dirichlet Allocation (Studi Kasus: Pemerintah Kota Malang),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 7, 2024.

[3] A. F. Nurhaliza, “Penerapan Pemodelan Topik menggunakan Metode Latent Dirichlet Allocation terhadap Pembehasan Pemilu Indonesia tahun 2024 di Twitter,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 7, 2024.

[4] T. Irawan, L. Mutawalli, S. Fadli, and W. Bagye, “Topic Modelling Pola Komunikasi Pilpres 2024 Focus Web Scraping dan Latent Dirichlet Allocation,” J. Manaj. Inform. dan Sist. Inf., vol. 7, no. 2, pp. 186–194, 2024.

[5] A. Ariansyah and U. Indahyanti, “Fitur Ekstraksi pada Pemodelan Topik Menggunakan Metode Latent Dirichlet Allocation pada Peristiwa Kebocoran Data,” Indones. J. Appl. Technol., vol. 1, no. 2, p. 24, 2024.

[6] R. Sibarani, S. S. Berutu, K. J. D. Lase, and J. Jatmika, “Pemodelan Topik pada Ulasan Google Maps Candi Borobudur Menggunakan Latent Dirchlet Allocation,” Voteteknika (Vocational Tek. Elektron. dan Inform., vol. 12, no. 3, pp. 377–384, 2024.

[7] L. Mutawalli, “PEMODELAN TOPIK ISU PARWISATA PULAU LOMBOK MENGGUNAKAN FOCUS WEB CRAWLER DAN LATENT DIRICHLET ALLOCATION,” J. Inform. dan Rekayasa Elektron., vol. 7, no. 2, pp. 441–452, 2024.

[8] Uray Nur Khadijah and Nuri Cahyono, “Analisis Topic Modelling Pariwisata Yogyakarta Menggunakan Latent Dirichlet Allocation (LDA),” Indones. J. Comput. Sci., vol. 13, no. 4, 2024, doi: 10.33022/ijcs.v13i4.3816.

[9] M. Jelita, “Text Mining dengan Topic Modelling LDA dari Pertanyaan Gelar Wicara Literasi Perpustakaan Nasional RI,” Media Pustak., vol. 31, no. 3, pp. 253–265, 2024.

[10] E. Puspita, D. F. Shiddieq, and F. F. Roji, “Pemodelan Topik pada Media Berita Online Menggunakan Latent Dirichlet Allocation (Studi Kasus Merek Somethinc): Topic Modeling on Online News Media Using Latent Diriclet Allocation (Case Study Somethinc Brand),” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 481–489, 2024.

[11] Z. Rosadi and A. Solichin, “Topic Modeling Tugas Akhir Mahasiswa Menggunakan Metode Latent Dirichlet Allocation Dengan Gibbs Sampling,” J. Ticom Technol. Inf. Commun., vol. 13, no. 1, pp. 38–44, 2024.

[12] D. F. Simanjuntak, “Perbandingan Kinerja Word Embedding dan Pemodelan Topik Dalam Identifikasi Topik Tugas Akhair Berdasarkan Judul dan Abstrak Penelitian,” 2025, Institut Teknologi Sepuluh Nopember.

[13] W. Ariannor, E. A. Kusuma, and A. S. Pratiwi, “Analisis Topik Skripsi Menerapkan Pemodelan Latent Dirichlet Allocation,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 13, no. 3, 2024.

[14] A. Wahyudi and L. Bayuaji, “Analisis Trend Topik Penelitian Tesis Pada Program Studi Magister Ilmu Komputer Universitas Budi Luhur Menggunakan Metode Latent Dirichlet Allocation (LDA),” Fakt. Exacta, vol. 17, no. 1, 2024.

[15] S. Wicaksono, “PEMODELAN TOPIK JURNAL MENGGUNAKAN LATENT DIRICHLET ALLOCATION DENGAN METODE PARAMETER ESTIMASI GIBBS SAMPLINGi Digilib, opac dan e jurnal,” 2024.

[16] N. A. Rakhmawati, A. Cisatra, D. D. M. Ansori, D. N. F. A. Akmal, and S. Ramadhani, “Identifikasi Topik Hangat di Media Berita Menggunakan Latent Dirichlet Allocation,” JIEET (Journal Inf. Eng. Educ. Technol., vol. 8, no. 1, pp. 14–17, 2024.

[17] M. J. Medea, V. P. Rantung, and O. Kembuan, “Metode Latent Dirichlet Allocation dalam Pemodelan Topik Headline Berita Online tentang Hukum dan Kriminal,” JOINTER J. Informatics Eng., vol. 5, no. 02, pp. 1–7, 2024.

[18] A. Khair and A. N. Hidayanto, “Analisis Pemodelan Topik Saran Pengguna Jalan Tol dengan Latent Dirichlet Allocation (LDA),” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 10, no. 1, pp. 355–366, 2025.

[19] M. Fadillah, “Implementasi Algoritma Topic Modeling pada Abstrak Paper Ilmiah untuk Deteksi Tren Topik Penelitian,” J. Repos., vol. 7, no. 1, 2025.

[20] J. Akbar, T. A. M., Y. Tolla, A. E. Ahmad, A. Yaqin, and E. Utami, “Pemodelan Topik Menggunakan Latent Dirichlet Allocation pada Ulasan Aplikasi PeduliLindungi,” InComTech J. Telekomun. dan Komput., vol. 13, no. 1, p. 40, 2023, doi: 10.22441/incomtech.v13i1.15572.

Downloads

Published

2025-09-30

Issue

Vol. 7 No. 3 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2025

Section

Articles

License

Copyright (c) 2025 ZONAsi: Jurnal Sistem Informasi

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

CC BY-SA 4.0


Attribution-ShareAlike 4.0

You are free to:

  1. Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
  2. Adapt — remix, transform, and build upon the material for any purpose, even commercially.
  3. The licensor cannot revoke these freedoms as long as you follow the license terms.

Under the following terms:

  1. Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
  2. ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
  3. No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

Notices:

You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .

No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.

How to Cite

[1]
“EKSPLORASI TOPIK PERCAKAPAN KOMUNITAS LARAVEL DI TELEGRAM MENGGUNAKAN METODE LATENT DIRICHLET ALLOCATION (LDA)”, zn, vol. 7, no. 3, pp. 1021–1033, Sep. 2025, doi: 10.31849/2f6w0m30.